[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-id-113":3,"doc-seo-291067-113":53,"doc-detail-291067-id":132},{"code":4,"msg":5,"data":6},0,"success",[7,13,17,21,25,29,33,37,41,45,49],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},55,"Document","Agama & Spiritualitas",60,"religion-spirituality",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":11,"slug":16},48,"Cerita & Novel","story-novel",{"id":18,"doc_module":4,"doc_module_name":9,"category_name":19,"show_sort_weight":11,"slug":20},56,"Gaya Hidup","lifestyle",{"id":22,"doc_module":4,"doc_module_name":9,"category_name":23,"show_sort_weight":11,"slug":24},51,"Komik","comic",{"id":26,"doc_module":4,"doc_module_name":9,"category_name":27,"show_sort_weight":11,"slug":28},53,"Layanan Kesehatan","healthcare",{"id":30,"doc_module":4,"doc_module_name":9,"category_name":31,"show_sort_weight":11,"slug":32},54,"Penelitian & Laporan","research-report",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":11,"slug":36},49,"Sastra","literature",{"id":38,"doc_module":4,"doc_module_name":9,"category_name":39,"show_sort_weight":11,"slug":40},52,"Teknologi","technology",{"id":42,"doc_module":4,"doc_module_name":9,"category_name":43,"show_sort_weight":11,"slug":44},50,"Ujian","exam",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":47,"show_sort_weight":11,"slug":48},57,"Umum","general",{"id":50,"doc_module":4,"doc_module_name":9,"category_name":51,"show_sort_weight":4,"slug":52},181,"Formulir","formulir",{"code":4,"msg":54,"data":55},"ok",{"site_id":56,"language":57,"slug":58,"title":59,"keywords":60,"description":61,"schema_data":62,"social_meta":125,"head_meta":127,"extra_data":129,"updated_unix":131},113,"id","comparative-analysis-of-machine-learning-algorithms-for-land-cover-classification-in-banjar-regency","ANALISIS PERBANDINGAN ALGORITMA MACHINE LEARNING UNTUK KLASIFIKASI TUTUPAN LAHAN DI KABUPATEN BANJAR","","Penelitian ini menganalisis dan membandingkan dua algoritma machine learning, yaitu Random Forest dan Support Vector Machine, untuk klasifikasi tutupan lahan di Kabupaten Banjar. Perubahan tutupan lahan dikaji menggunakan data citra satelit Sentinel-2 periode 2019–2024, dengan preprocessing melalui koreksi radiometrik dan komposit band serta clipping menggunakan Google Earth Engine. Ekstraksi fitur dilakukan memakai NDVI, lalu model dilatih dan dievaluasi memakai data validasi. Penalaan parameter menunjukkan akurasi tertinggi 91,3% dari Random Forest dengan 700 pohon (RF_700trees), sedangkan SVM mencapai sekitar 87%.",{"@graph":63,"@context":124},[64,81,103],{"@type":65,"itemListElement":66},"BreadcrumbList",[67,72,75,78],{"item":68,"name":69,"@type":70,"position":71},"https://docshare.wps.com","Home","ListItem",1,{"item":73,"name":9,"@type":70,"position":74},"https://docshare.wps.com/id/document/",2,{"item":76,"name":31,"@type":70,"position":77},"https://docshare.wps.com/id/document/penelitian-laporan/",3,{"item":79,"name":59,"@type":70,"position":80},"https://docshare.wps.com/id/document/comparative-analysis-of-machine-learning-algorithms-for-land-cover-classification-in-banjar-regency/291067/",4,{"url":79,"name":59,"@type":82,"image":83,"author":88,"headline":59,"publisher":91,"fileFormat":94,"inLanguage":57,"description":61,"dateModified":95,"datePublished":96,"encodingFormat":94,"isAccessibleForFree":97,"interactionStatistic":98},"DigitalDocument",{"url":84,"@type":85,"width":86,"height":87},"https://docshare.wps.com/thumbnails/comparative-analysis-of-machine-learning-algorithms-for-land-cover-classification-in-banjar-regency/291067.png","ImageObject",300,407,{"name":89,"@type":90},"Theodora","Person",{"url":68,"name":92,"@type":93},"DocShare","Organization","application/pdf","2026-10-05","2026-09-17",true,{"@type":99,"interactionType":100,"userInteractionCount":102},"InteractionCounter",{"@type":101},"ViewAction",6,{"@type":104,"mainEntity":105},"FAQPage",[106,112,116,120],{"name":107,"@type":108,"acceptedAnswer":109},"Penelitian ini bertujuan untuk apa?","Question",{"text":110,"@type":111},"Mengidentifikasi model klasifikasi terbaik untuk menentukan jenis tutupan lahan di Kabupaten Banjar menggunakan pendekatan machine learning berbasis citra satelit dan NDVI.","Answer",{"name":113,"@type":108,"acceptedAnswer":114},"Algoritma apa saja yang dibandingkan dalam penelitian ini?",{"text":115,"@type":111},"Random Forest dan Support Vector Machine (SVM) dibandingkan dengan pengujian berbagai parameter untuk memperoleh performa terbaik.",{"name":117,"@type":108,"acceptedAnswer":118},"Bagaimana NDVI digunakan dalam proses penelitian?",{"text":119,"@type":111},"NDVI dihitung sebagai fitur untuk memantau perubahan vegetasi, kemudian digunakan sebagai input utama saat ekstraksi fitur dan pelatihan model.",{"name":121,"@type":108,"acceptedAnswer":122},"Model mana yang menghasilkan akurasi tertinggi dan berapa nilainya?",{"text":123,"@type":111},"Random Forest dengan 700 pohon (RF_700trees) memberikan akurasi tertinggi sebesar 91,3%, sedangkan SVM dengan kernel linier mencapai sekitar 87%.","https://schema.org",{"og:url":79,"og:type":126,"og:title":59,"og:site_name":92,"og:description":61},"article",{"robots":128,"canonical":79},"index,follow",{"doc_id":130,"site_id":56},291067,1789643358,{"code":4,"msg":5,"data":133},{"doc_id":130,"user_id":134,"nickname":89,"user_avatar":135,"doc_module":4,"category_id":30,"category_name":31,"doc_title":59,"doc_description":61,"doc_content":136,"file_id":137,"file_url":138,"file_type":139,"file_size":140,"view_count":102,"is_deleted":4,"is_public":71,"is_downloadable":71,"audit_status":71,"page_count":141,"language":142,"language_code":57,"site_id":56,"html_lang":57,"table_of_contents":143,"faqs":144,"seo_title":145,"seo_description":61,"update_tm":131,"read_time":146},687197207919,"https://ap-avatar.wpscdn.com/avatar/a000253d6f5f7c60be?x-image-process=image/resize,m_fixed,w_180,h_180&k=1779446848396160552","Technologia : Jurnal Ilmiah  \np-ISSN: 2086-6917, e-ISSN: 2656-8047  \nHomepage: [https://ojs.uniska-bjm.ac.id/index.php/JIT/index](https://ojs.uniska-bjm.ac.id/index.php/JIT/index)  \n[Vol](Vol). 16, No. 4, Oktober 2025  \nANALISIS PERBANDINGAN ALGORITMA MACHINE LEARNING UNTUK KLASIFIKASI TUTUPAN LAHAN DI KABUPATEN BANJAR  \nTegar Diwantara1, Sri Harini2 , M. Imamudin3  \n1Magister Informatika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Maulana Malik Ibrahim,  \nMalang, Indonesia  \n2Fakultas Sains dan Teknologi, Universitas Islam Negeri Maulana Malik Ibrahim, Malang, Indonesia  \nInformasi Artikel:  \nDikirim: 27-09-2025; Diterima: 21-10-2025; Diterbitkan: 23-10-2025 Doi : [http://dx.doi.org/10.31602/tji.v16i4.20683](http://dx.doi.org/10.31602/tji.v16i4.20683)  \nPerubahan tutupan lahan dikawasan cepat tumbuh menuntutsistem pemantauanyang efisien dan presisi berbasis citra satelit. Kajian mutakhir menegaskan bahwa klasifikasi berbantuan machine learning meningkatkan reliabilitas peta Land Use Land Change dibanding metode tradisional.Penelitian ini bertujuan untuk mengidentifikasi model klasifikasi terbaik dalam menentukan jenis tutupan lahan di wilayah Kabupaten Banjar. Metode yang digunakanadalah pendekatan machine learning dengan membandingkan 2 algoritma klasifikasi, khususnya metode Random Forest dan Support Vector Machine. Proses pelaksanaan mencakup pengolahan data citra, ekstraksi fitur, pelatihan model, serta evaluasi akurasi menggunakan data validasi. Teknik analisis dilakukan dengan menguji berbagai parameter model untukmendapatkan kombinasiterbaik dalam meningkatkan performa klasifikasi. Hasil penelitian menunjukkan bahwa metode Random Forest dengan 700 pohon (RF_ 700trees) memberikan akurasi tertinggi sebesar 91,3%, sedangkan metode Support Vector Machine dengankernelliniermencapaiakurasi 87%. Penambahan jumlahpohon padametode Random Forest terbukti meningkatkan akurasi hingga titik tertentu, namun setelah melewati batas optimal justru mengalami penurunan performa. Pemilihan parameter yang tepat sangat mempengaruhi kinerja model secara keseluruhan. Berdasarkan hasil tersebut, metode Random Forest dengan 700 pohon (RF_ 700trees) menjadi model paling optimal untukklasifikasi tutupan lahan pada data yang digunakan dalampenelitian ini.  \nKeywords: Klasifikasi, Tutupan Lahan, Random Forest, Support Vector Machine, Machine Learning  \nThis is an open-access article under a Creative Commons Attribution 4.0 International (CC-BY 4.0) License. Copyright ©2025 by authors.  \nPendahuluan  \nPerubahan tutupan lahan memerlukan sistem pemantauan efisien berbasis citrasatelit. Kajian terbaru menunjukkan bahwa klasifikasi menggunakan machine learning, seperti Random Forest (RF) dan Support Vector Machine (SVM), lebih andal daripadametode tradisional dalam peta LULC. [1] . Machine learning, seperti Random Forest (RF) dan Support Vector Machine (SVM), mengatasi keterbatasan klasifikasi tradisionaldengan menawarkan stabilitas dan akurasi lebih tinggi dalam pemisahan kelas pada data kompleks. [1] .  \nEksperimen komparatif menunjukkan praktik terbaik pra-proses, pemilihan fitur, serta skema validasi untuk klasifikasi citra, yang relevan bagi wilayah studi serupa di  \nIndonesia[2] . Keberhasilan model sangat dipengaruhi penalaan hiperparameter; jumlahpohon pada RF, pemilihan kedalaman, dan skema sampling memengaruhi akurasi sertastabilitas, sehingga pencarian parameter sistematis menjadi keharusan[3] . Skala komputasi dan ketersediaan data kini difasilitasi platform komputasi awan geospasial, mempercepat iterasi model dan pembaruan peta[4] . Pada konteks regional, indeks vegetasi seperti Normalize Difference Vegetation Index (NDVI) efektif untuk menjejak dinamika vegetasi dan perubahan LULC, termasuk peningkatan permukiman, sehinggarelevan untuk pemantauan wilayah pesisir dan gambut di Indonesia[5] . Selain itu, prioritisasi restorasi dan konservasi gambut di Sumatra–Kalimantan memanfaatkan analisis tutupan lahan dan produktivitas, meneg","cbCaiajC6LCVAK66","https://ap.wps.com/l/cbCaiajC6LCVAK66","pdf",467707,8,"Indonesian","# Pendahuluan\n# Metodologi\n## Kajian Literatur\n## Pengumpulan Data\n## Preprocessing Data\n## Ekstraksi Fitur","[{\"question\":\"Penelitian ini bertujuan untuk apa?\",\"answer\":\"Mengidentifikasi model klasifikasi terbaik untuk menentukan jenis tutupan lahan di Kabupaten Banjar menggunakan pendekatan machine learning berbasis citra satelit dan NDVI.\"},{\"question\":\"Algoritma apa saja yang dibandingkan dalam penelitian ini?\",\"answer\":\"Random Forest dan Support Vector Machine (SVM) dibandingkan dengan pengujian berbagai parameter untuk memperoleh performa terbaik.\"},{\"question\":\"Bagaimana NDVI digunakan dalam proses penelitian?\",\"answer\":\"NDVI dihitung sebagai fitur untuk memantau perubahan vegetasi, kemudian digunakan sebagai input utama saat ekstraksi fitur dan pelatihan model.\"},{\"question\":\"Model mana yang menghasilkan akurasi tertinggi dan berapa nilainya?\",\"answer\":\"Random Forest dengan 700 pohon (RF_700trees) memberikan akurasi tertinggi sebesar 91,3%, sedangkan SVM dengan kernel linier mencapai sekitar 87%.\"}]","ANALISIS PERBANDINGAN ALGORITMA MACHINE LEARNING UNTUK KLASIFIKASI TUTUPAN LAHAN DI KABUPATEN BANJAR | PDF",12]